انتقل إلى المحتوى

تدريب نموذجي مع Ultralytics YOLO

Ultralytics YOLO النظام البيئي والتكاملات

مقدمة

يتضمن تدريب نموذج التعلم العميق تغذية بياناته وتعديل معلماته حتى يتمكن من إجراء تنبؤات دقيقة. وضع القطار في Ultralytics YOLOv8 تم تصميمه للتدريب الفعال والكفء لنماذج الكشف عن الأشياء ، والاستفادة الكاملة من قدرات الأجهزة الحديثة. يهدف هذا الدليل إلى تغطية جميع التفاصيل التي تحتاجها للبدء في تدريب نماذجك الخاصة باستخدام YOLOv8مجموعة قوية من الميزات.



شاهد: كيفية تدريب YOLOv8 على مجموعة بياناتك المخصصة في Google Colab.

لماذا تختار Ultralytics YOLO للتدريب؟

فيما يلي بعض الأسباب المقنعة لاختيار YOLOv8وضع القطار:

  • كفاءة: حقق أقصى استفادة من أجهزتك ، سواء كنت تستخدم إعداد وحدة معالجة رسومات واحدة أو تتوسع عبر وحدات معالجة رسومات متعددة.
  • براعه: تدرب على مجموعات البيانات المخصصة بالإضافة إلى المجموعات المتاحة بسهولة مثل COCO و VOC و ImageNet.
  • سهل الاستخدام: بسيطة لكنها قوية CLI و Python واجهات لتجربة تدريب مباشرة.
  • مرونة المعلمات الفائقة: مجموعة واسعة من المعلمات الفائقة القابلة للتخصيص لضبط أداء النموذج.

الميزات الرئيسية لوضع القطار

فيما يلي بعض الميزات البارزة ل YOLOv8وضع القطار:

  • تنزيل مجموعة البيانات تلقائيا: يتم تنزيل مجموعات البيانات القياسية مثل COCO و VOC و ImageNet تلقائيا عند الاستخدام الأول.
  • دعم وحدات معالجة الرسومات المتعددة: قم بتوسيع نطاق جهودك التدريبية بسلاسة عبر وحدات معالجة الرسومات المتعددة لتسريع العملية.
  • تكوين المعلمات الفائقة: خيار تعديل المعلمات الفائقة من خلال ملفات تكوين YAML أو CLI الحجج.
  • التصور والمراقبة: تتبع مقاييس التدريب في الوقت الفعلي وتصور عملية التعلم للحصول على رؤى أفضل.

بقشيش

  • YOLOv8 يتم تنزيل مجموعات البيانات مثل COCO و VOC و ImageNet وغيرها الكثير تلقائيا عند الاستخدام الأول ، أي yolo train data=coco.yaml

أمثلة الاستخدام

قطار YOLOv8n على مجموعة بيانات COCO128 ل 100 حقبة بحجم الصورة 640. يمكن تحديد جهاز التدريب باستخدام device جدال. إذا لم يتم تمرير أي وسيطة GPU device=0 سيتم استخدامها إذا كانت متوفرة ، وإلا device=cpu سيتم استخدامها. راجع قسم الحجج أدناه للحصول على قائمة كاملة بوسيطات التدريب.

مثال على تدريب وحدة معالجة الرسومات الفردية ووحدة المعالجة المركزية

يتم تحديد الجهاز تلقائيا. إذا كانت وحدة معالجة الرسومات متوفرة ، استخدامها ، وإلا سيبدأ التدريب على وحدة المعالجة المركزية.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

تدريب متعدد وحدات معالجة الرسومات

يسمح التدريب متعدد وحدات معالجة الرسومات باستخدام أكثر كفاءة لموارد الأجهزة المتاحة من خلال توزيع حمل التدريب عبر وحدات معالجة رسومات متعددة. تتوفر هذه الميزة من خلال كل من Python API وواجهة سطر الأوامر. لتمكين التدريب على وحدات معالجة الرسومات المتعددة، حدد معرفات أجهزة وحدة معالجة الرسومات التي ترغب في استخدامها.

مثال على التدريب على وحدات معالجة الرسومات المتعددة

للتدريب باستخدام 2 وحدة معالجة رسومات ، تستخدم أجهزة CUDA 0 و 1 الأوامر التالية. قم بالتوسيع إلى وحدات معالجة رسومات إضافية حسب الحاجة.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device=[0, 1])
# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1

تدريب Apple M1 و M2 MPS

مع دعم شرائح Apple M1 و M2 المدمجة في Ultralytics YOLO ، أصبح من الممكن الآن تدريب نماذجك على الأجهزة باستخدام إطار عمل تظليل الأداء المعدني (MPS) القوي. يوفر MPS طريقة عالية الأداء لتنفيذ مهام الحساب ومعالجة الصور على السيليكون المخصص من Apple.

لتمكين التدريب على شرائح Apple M1 و M2 ، يجب عليك تحديد "mps" كجهازك عند بدء عملية التدريب. فيما يلي مثال على كيفية القيام بذلك في Python وعبر سطر الأوامر:

مثال على تدريب MPS

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device='mps')
# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

مع الاستفادة من القوة الحسابية لرقائق M1 / M2 ، يتيح ذلك معالجة أكثر كفاءة لمهام التدريب. للحصول على إرشادات أكثر تفصيلا وخيارات التكوين المتقدمة، يرجى الرجوع إلى PyTorch وثائق MPS.

استئناف التدريبات المتقطعة

يعد استئناف التدريب من حالة محفوظة مسبقا ميزة حاسمة عند العمل مع نماذج التعلم العميق. يمكن أن يكون هذا مفيدا في سيناريوهات مختلفة ، مثل عندما تتم مقاطعة عملية التدريب بشكل غير متوقع ، أو عندما ترغب في مواصلة تدريب نموذج ببيانات جديدة أو لمزيد من العصور.

عند استئناف التدريب ، Ultralytics YOLO يقوم بتحميل الأوزان من آخر نموذج تم حفظه ويستعيد أيضا حالة المحسن وجدولة معدل التعلم ورقم العصر. يتيح لك ذلك مواصلة عملية التدريب بسلاسة من حيث توقفت.

يمكنك بسهولة استئناف التدريب في Ultralytics YOLO عن طريق تعيين resume حجة ل True عند الاتصال ب train ، وتحديد المسار إلى .pt ملف يحتوي على أوزان النموذج المدربة جزئيا.

فيما يلي مثال على كيفية استئناف التدريب المتقطع باستخدام Python وعبر سطر الأوامر:

مثال على استئناف التدريب

from ultralytics import YOLO

# Load a model
model = YOLO('path/to/last.pt')  # load a partially trained model

# Resume training
results = model.train(resume=True)
# Resume an interrupted training
yolo train resume model=path/to/last.pt

عن طريق الإعداد resume=Trueال train ستواصل الوظيفة التدريب من حيث توقفت ، باستخدام الحالة المخزنة في ملف "المسار / إلى / last.pt". إذا كان resume تم حذف الوسيطة أو تعيينها إلى Falseال train ستبدأ وظيفة دورة تدريبية جديدة.

تذكر أن نقاط التفتيش يتم حفظها في نهاية كل حقبة بشكل افتراضي ، أو في فترة زمنية محددة باستخدام save_period وسيطة ، لذلك يجب عليك إكمال حقبة 1 على الأقل لاستئناف تشغيل التدريب.

إعدادات القطار

إعدادات التدريب ل YOLO تشمل النماذج العديد من المعلمات والتكوينات الفائقة المستخدمة أثناء عملية التدريب. تؤثر هذه الإعدادات على أداء النموذج وسرعته ودقته. تتضمن إعدادات التدريب الرئيسية حجم الدفعة ومعدل التعلم والزخم واضمحلال الوزن. بالإضافة إلى ذلك، يمكن أن يؤثر اختيار المحسن ووظيفة الخسارة وتكوين مجموعة بيانات التدريب على عملية التدريب. يعد الضبط الدقيق والتجريب مع هذه الإعدادات أمرا بالغ الأهمية لتحسين الأداء.

جدال افتراضي وصف
model None يحدد ملف النموذج للتدريب. يقبل مسارا إلى أي منهما .pt نموذج تم تدريبه مسبقا أو أ .yaml ملف التكوين. ضروري لتحديد هيكل النموذج أو تهيئة الأوزان.
data None المسار إلى ملف تكوين مجموعة البيانات (على سبيل المثال، coco128.yaml). يحتوي هذا الملف على معلمات خاصة بمجموعة البيانات، بما في ذلك المسارات إلى بيانات التدريب والتحقق من الصحة، وأسماء الفئات، وعدد الفئات.
epochs 100 إجمالي عدد فترات التدريب. تمثل كل حقبة تمريرة كاملة على مجموعة البيانات بأكملها. يمكن أن يؤثر ضبط هذه القيمة على مدة التدريب وأداء النموذج.
time None الحد الأقصى لوقت التدريب بالساعات. إذا تم تعيينه، فإن هذا يتجاوز epochs وسيطة ، مما يسمح للتدريب بالتوقف تلقائيا بعد المدة المحددة. مفيد لسيناريوهات التدريب المقيدة بالوقت.
patience 100 عدد الفترات التي يجب انتظارها دون تحسين في مقاييس التحقق من الصحة قبل إيقاف التدريب مبكرا. يساعد على منع الإفراط في التجهيز عن طريق إيقاف التدريب عندما يستقر الأداء.
batch 16 حجم الدفعة للتدريب، مع الإشارة إلى عدد الصور التي تتم معالجتها قبل تحديث المعلمات الداخلية للنموذج. أوتوباتش (batch=-1) يضبط حجم الدفعة ديناميكيا بناء على توفر ذاكرة وحدة معالجة الرسومات.
imgsz 640 حجم الصورة المستهدفة للتدريب. يتم تغيير حجم جميع الصور إلى هذا البعد قبل إدخالها في النموذج. يؤثر على دقة النموذج والتعقيد الحسابي.
save True يتيح توفير نقاط تفتيش التدريب وأوزان النموذج النهائي. مفيد لاستئناف التدريب أو نشر النموذج.
save_period -1 تواتر نقاط التفتيش النموذجية المحفوظة ، المحددة في العصور. تؤدي القيمة -1 إلى تعطيل هذه الميزة. مفيد لحفظ النماذج المؤقتة أثناء جلسات التدريب الطويلة.
cache False تمكين التخزين المؤقت لصور مجموعة البيانات في الذاكرة (True/ram)، على القرص (disk)، أو تعطيله (False). يحسن سرعة التدريب عن طريق تقليل إدخال/إخراج القرص على حساب زيادة استخدام الذاكرة.
device None يحدد الجهاز (الأجهزة) الحسابية للتدريب: وحدة معالجة رسومات واحدة (device=0) ، ووحدات معالجة رسومات متعددة (device=0,1) ، وحدة المعالجة المركزية (device=cpu)، أو MPS لسيليكون Apple (device=mps).
workers 8 عدد مؤشرات الترابط العاملة لتحميل البيانات (لكل RANK إذا كان التدريب متعدد GPU). يؤثر على سرعة المعالجة المسبقة للبيانات والتغذية في النموذج ، وهو مفيد بشكل خاص في إعدادات وحدات معالجة الرسومات المتعددة.
project None اسم دليل المشروع حيث يتم حفظ مخرجات التدريب. يسمح بالتخزين المنظم للتجارب المختلفة.
name None اسم تشغيل التدريب. يستخدم لإنشاء دليل فرعي داخل مجلد المشروع ، حيث يتم تخزين سجلات التدريب والمخرجات.
exist_ok False إذا كان صحيحا ، يسمح بالكتابة فوق دليل مشروع / اسم موجود. مفيد للتجربة التكرارية دون الحاجة إلى مسح المخرجات السابقة يدويا.
pretrained True يحدد ما إذا كان سيبدأ التدريب من نموذج تم تدريبه مسبقا. يمكن أن تكون قيمة منطقية أو مسار سلسلة إلى نموذج معين يتم من خلاله تحميل الأوزان. يعزز كفاءة التدريب وأداء النموذج.
optimizer 'auto' اختيار محسن للتدريب. تشمل الخيارات SGD, Adam, AdamW, NAdam, RAdam, RMSProp إلخ، أو auto للاختيار التلقائي بناء على تكوين النموذج. يؤثر على سرعة التقارب والاستقرار.
verbose False تمكين الإخراج المطول أثناء التدريب ، وتوفير سجلات مفصلة وتحديثات التقدم. مفيد لتصحيح الأخطاء ومراقبة عملية التدريب عن كثب.
seed 0 يحدد البذور العشوائية للتدريب ، مما يضمن إمكانية تكرار النتائج عبر عمليات التشغيل بنفس التكوينات.
deterministic True يفرض استخدام الخوارزمية الحتمية ، مما يضمن قابلية التكرار ولكنه قد يؤثر على الأداء والسرعة بسبب القيود المفروضة على الخوارزميات غير الحتمية.
single_cls False يعامل جميع الفئات في مجموعات البيانات متعددة الفئات كفئة واحدة أثناء التدريب. مفيد لمهام التصنيف الثنائي أو عند التركيز على وجود الكائن بدلا من التصنيف.
rect False يتيح التدريب المستطيل ، وتحسين تكوين الدفعات للحد الأدنى من الحشو. يمكن أن يحسن الكفاءة والسرعة ولكنه قد يؤثر على دقة النموذج.
cos_lr False يستخدم جدولة معدل تعلم جيب التمام، ويضبط معدل التعلم باتباع منحنى جيب التمام على مر العصور. يساعد في إدارة معدل التعلم من أجل تقارب أفضل.
close_mosaic 10 يعطل زيادة بيانات الفسيفساء في آخر عصور N لتثبيت التدريب قبل الانتهاء. يؤدي الإعداد إلى 0 إلى تعطيل هذه الميزة.
resume False يستأنف التدريب من آخر نقطة تفتيش محفوظة. يقوم تلقائيا بتحميل أوزان النموذج وحالة المحسن وعدد العصور، مع مواصلة التدريب بسلاسة.
amp True يتيح التدريب التلقائي على الدقة المختلطة (AMP) ، مما يقلل من استخدام الذاكرة وربما يسرع التدريب بأقل تأثير على الدقة.
fraction 1.0 يحدد جزء مجموعة البيانات المراد استخدامه للتدريب. يسمح بالتدريب على مجموعة فرعية من مجموعة البيانات الكاملة ، وهو مفيد للتجارب أو عندما تكون الموارد محدودة.
profile False تمكين التنميط من ONNX و TensorRT سرعات أثناء التدريب ، مفيدة لتحسين نشر النموذج.
freeze None يجمد الطبقات N الأولى من النموذج أو الطبقات المحددة حسب الفهرس، مما يقلل من عدد المعلمات القابلة للتدريب. مفيد لضبط أو نقل التعلم.
lr0 0.01 معدل التعلم الأولي (أي SGD=1E-2, Adam=1E-3) . يعد ضبط هذه القيمة أمرا بالغ الأهمية لعملية التحسين ، مما يؤثر على مدى سرعة تحديث أوزان النموذج.
lrf 0.01 معدل التعلم النهائي كجزء من المعدل الأولي = (lr0 * lrf)، تستخدم جنبا إلى جنب مع برامج الجدولة لضبط معدل التعلم بمرور الوقت.
momentum 0.937 عامل الزخم ل SGD أو beta1 لمحسنات Adam ، مما يؤثر على دمج التدرجات السابقة في التحديث الحالي.
weight_decay 0.0005 L2 مصطلح التنظيم ، معاقبة الأوزان الكبيرة لمنع الإفراط في التجهيز.
warmup_epochs 3.0 عدد فترات الإحماء لمعدل التعلم ، وزيادة معدل التعلم تدريجيا من قيمة منخفضة إلى معدل التعلم الأولي لتحقيق الاستقرار في التدريب في وقت مبكر.
warmup_momentum 0.8 الزخم الأولي لمرحلة الإحماء ، والتكيف تدريجيا مع الزخم المحدد خلال فترة الإحماء.
warmup_bias_lr 0.1 معدل التعلم لمعلمات التحيز خلال مرحلة الإحماء ، مما يساعد على استقرار تدريب النموذج في العصور الأولية.
box 7.5 وزن مكون فقدان الصندوق في دالة الخسارة ، مما يؤثر على مقدار التركيز على التنبؤ بدقة بإحداثيات المربع المحيط.
cls 0.5 وزن خسارة التصنيف في دالة الخسارة الكلية ، مما يؤثر على أهمية التنبؤ الصحيح بالفئة بالنسبة للمكونات الأخرى.
dfl 1.5 وزن الخسارة البؤرية للتوزيع ، المستخدمة في بعض YOLO إصدارات للتصنيف الدقيق الحبيبات.
pose 12.0 وزن فقدان الوضع في النماذج المدربة على تقدير الوضع ، مما يؤثر على التركيز على التنبؤ بدقة بالنقاط الرئيسية.
kobj 2.0 وزن فقدان كائن النقطة الرئيسية في نماذج تقدير الوضع ، وتحقيق التوازن بين ثقة الكشف ودقة الوضع.
label_smoothing 0.0 يمكن أن يؤدي تطبيق تجانس الملصقات ، وتليين الملصقات الصلبة على مزيج من الملصق المستهدف والتوزيع الموحد على الملصقات ، إلى تحسين التعميم.
nbs 64 حجم الدفعة الاسمي لتطبيع الخسارة.
overlap_mask True يحدد ما إذا كان يجب أن تتداخل أقنعة التجزئة أثناء التدريب، قابلة للتطبيق في مهام تجزئة المثيل.
mask_ratio 4 نسبة العينة السفلية لأقنعة التجزئة ، مما يؤثر على دقة الأقنعة المستخدمة أثناء التدريب.
dropout 0.0 معدل التسرب لتسوية مهام التصنيف ، ومنع الإفراط في التجهيز عن طريق حذف الوحدات بشكل عشوائي أثناء التدريب.
val True يتيح التحقق من الصحة أثناء التدريب ، مما يسمح بالتقييم الدوري لأداء النموذج على مجموعة بيانات منفصلة.
plots False يقوم بإنشاء وحفظ مخططات مقاييس التدريب والتحقق من الصحة، بالإضافة إلى أمثلة التنبؤ، مما يوفر رؤى مرئية حول أداء النموذج وتقدم التعلم.

إعدادات التعزيز والمعلمات الفائقة

تقنيات التعزيز ضرورية لتحسين متانة وأداء YOLO النماذج من خلال إدخال التباين في بيانات التدريب ، مما يساعد النموذج على التعميم بشكل أفضل على البيانات غير المرئية. يوضح الجدول التالي الغرض من كل وسيطة زيادة وتأثيرها:

جدال نوع افتراضي نطاق وصف
hsv_h float 0.015 0.0 - 1.0 يضبط تدرج الصورة بجزء من عجلة الألوان، مما يؤدي إلى تباين اللون. يساعد النموذج على التعميم عبر ظروف الإضاءة المختلفة.
hsv_s float 0.7 0.0 - 1.0 يغير تشبع الصورة بكسر، مما يؤثر على كثافة الألوان. مفيد لمحاكاة الظروف البيئية المختلفة.
hsv_v float 0.4 0.0 - 1.0 يعدل قيمة (سطوع) الصورة بمقدار كسر ، مما يساعد النموذج على الأداء الجيد في ظل ظروف الإضاءة المختلفة.
degrees float 0.0 -180 - +180 يقوم بتدوير الصورة عشوائيا ضمن نطاق الدرجة المحدد، مما يحسن قدرة النموذج على التعرف على الكائنات في اتجاهات مختلفة.
translate float 0.1 0.0 - 1.0 يترجم الصورة أفقيا وعموديا بجزء صغير من حجم الصورة ، مما يساعد في تعلم اكتشاف الأشياء المرئية جزئيا.
scale float 0.5 >=0.0 يقيس الصورة بعامل كسب، ويحاكي الكائنات على مسافات مختلفة من الكاميرا.
shear float 0.0 -180 - +180 يقص الصورة بدرجة محددة، ويحاكي تأثير الكائنات التي يتم عرضها من زوايا مختلفة.
perspective float 0.0 0.0 - 0.001 يطبق تحويل منظور عشوائي على الصورة ، مما يعزز قدرة النموذج على فهم الكائنات في مساحة 3D.
flipud float 0.0 0.0 - 1.0 يقلب الصورة رأسا على عقب مع الاحتمال المحدد، مما يزيد من تباين البيانات دون التأثير على خصائص الكائن.
fliplr float 0.5 0.0 - 1.0 يقلب الصورة من اليسار إلى اليمين بالاحتمال المحدد ، وهو مفيد لتعلم الكائنات المتماثلة وزيادة تنوع مجموعة البيانات.
mosaic float 1.0 0.0 - 1.0 يجمع بين أربع صور تدريب في صورة واحدة ، ويحاكي تركيبات المشهد المختلفة وتفاعلات الكائنات. فعالة للغاية لفهم المشهد المعقد.
mixup float 0.0 0.0 - 1.0 يمزج صورتين وعناوينهما، مما يخلق صورة مركبة. يعزز قدرة النموذج على التعميم من خلال إدخال ضوضاء التسمية والتباين البصري.
copy_paste float 0.0 0.0 - 1.0 ينسخ كائنات من صورة ويلصقها على صورة أخرى، مفيد لزيادة تواجدات الكائن وتعلم انسداد الكائن.
auto_augment str randaugment - يطبق تلقائيا سياسة زيادة محددة مسبقا (randaugment, autoaugment, augmix) ، وتحسين مهام التصنيف من خلال تنويع الميزات المرئية.
erasing float 0.4 0.0 - 1.0 يمحو بشكل عشوائي جزءا من الصورة أثناء التدريب على التصنيف ، مما يشجع النموذج على التركيز على الميزات الأقل وضوحا للتعرف عليها.

يمكن ضبط هذه الإعدادات لتلبية المتطلبات المحددة لمجموعة البيانات والمهمة المطروحة. يمكن أن تساعد تجربة قيم مختلفة في العثور على استراتيجية التعزيز المثلى التي تؤدي إلى أفضل أداء للنموذج.

معلومات

لمزيد من المعلومات حول عمليات زيادة التدريب، راجع قسم المراجع.

تسجيل

في التدريب أ YOLOv8 النموذج ، قد تجد أنه من المفيد تتبع أداء النموذج بمرور الوقت. هذا هو المكان الذي يلعب فيه التسجيل. Ultralytics' YOLO يوفر الدعم لثلاثة أنواع من الحطابين - Comet, ClearML، و TensorBoard.

لاستخدام مسجل ، حدده من القائمة المنسدلة في مقتطف الشفرة أعلاه وقم بتشغيله. سيتم تثبيت المسجل المختار وتهيئته.

Comet

Comet هي منصة تسمح لعلماء البيانات والمطورين بتتبع التجارب والنماذج ومقارنتها وشرحها وتحسينها. يوفر وظائف مثل المقاييس في الوقت الفعلي ، واختلافات التعليمات البرمجية ، وتتبع المعلمات الفائقة.

لاستخدام Comet:

مثل

# pip install comet_ml
import comet_ml

comet_ml.init()

تذكر تسجيل الدخول إلى Comet على موقع الويب الخاص بهم والحصول على مفتاح API الخاص بك. ستحتاج إلى إضافة هذا إلى متغيرات البيئة أو البرنامج النصي لتسجيل تجاربك.

ClearML

ClearML هي منصة مفتوحة المصدر تعمل على أتمتة تتبع التجارب وتساعد في المشاركة الفعالة للموارد. إنه مصمم لمساعدة الفرق على إدارة أعمال التعلم الآلي وتنفيذها وإعادة إنتاجها بشكل أكثر كفاءة.

لاستخدام ClearML:

مثل

# pip install clearml
import clearml

clearml.browser_login()

بعد تشغيل هذا البرنامج النصي ، ستحتاج إلى تسجيل الدخول إلى ClearML على المتصفح ومصادقة جلستك.

تينسور بورد

TensorBoard هي مجموعة أدوات تصور ل TensorFlow. يسمح لك بتصور ملف TensorFlow الرسم البياني ، ورسم المقاييس الكمية حول تنفيذ الرسم البياني الخاص بك ، وإظهار بيانات إضافية مثل الصور التي تمر عبره.

لاستخدام TensorBoard في Google Colab:

مثل

load_ext tensorboard
tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

لاستخدام TensorBoard محليا ، قم بتشغيل الأمر أدناه وعرض النتائج في http://localhost:6006/.

مثل

tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

سيؤدي هذا إلى تحميل TensorBoard وتوجيهه إلى الدليل حيث يتم حفظ سجلات التدريب الخاصة بك.

بعد إعداد المسجل الخاص بك ، يمكنك بعد ذلك متابعة تدريب النموذج الخاص بك. سيتم تسجيل جميع مقاييس التدريب تلقائيا في النظام الأساسي الذي اخترته ، ويمكنك الوصول إلى هذه السجلات لمراقبة أداء نموذجك بمرور الوقت ، ومقارنة النماذج المختلفة ، وتحديد مجالات التحسين.



تم إنشاؤه في 2023-11-12, اخر تحديث 2024-02-25
المؤلفون: برهان كيو (1) ، ضاحك س (1) ، جلين جوشر (9)

التعليقات